Los métodos tradicionales de diagnóstico de fallas son limitados en la detección de condiciones de los reductores de elevación de puentes de costa debido a su capacidad limitada para extraer características de señal y su sensibilidad al ruido. Para resolver este problema, se propuso en este artículo una red de denoising convolucional de fusión adaptativa (AF-CDN). Primero, se construye una nueva estructura de red neuronal convolucional fusionada adaptativa 1D y 2D. La fusión de ambos modelos convolucionales 1D y 2D puede mejorar efectivamente la capacidad de extracción de características de la red. Luego, se diseña un método de actualización de gradiente basado en el mecanismo del filtro de Kalman. La efectividad del método desarrollado se evalúa utilizando conjuntos de datos de referencia y los datos reales recopilados para el reductor de elevación del puente de costa. Finalmente, la efectividad del algoritmo propuesto se demuestra a través de la validación experimental en el artículo. Las principales contribuciones de este artículo se describen de la siguiente manera: el AF-CDN propuesto puede mejorar la precisión del diagnóstico en un 1.5-9.1% en comparación con los métodos normales de CNN. La robustez de la red de diagnóstico puede mejorarse significativamente.